欢迎来到利索能及~ 联系电话:18621327849
利索能及
我要发布
收藏
专利号: 2019100723840
申请人: 广西科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-09-26
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种基于深度强化网络邻接连接的轮廓检测方法,其特征在于包括以下步骤:A、构建深度神经网络结构,深度神经网络结构具体如下:

设定6个等级;

其中,第一个等级中包含5个阶段,每个阶段中分别设置有一个以上的卷积层;第二等级中设有5个卷积层,每个卷积层分别对应第一等级中的一个阶段,第二等级至最终等级,下一等级的卷积层数为上一等级的卷积层数减一,直到最终等级中仅包含一个卷积层为止;

第一等级、第二等级卷积层公式为m*n‑k conv+relu,其中,m*n表示卷积核的大小,k表示输出通道数,conv表示卷积公式,relu表示激活函数;m*n、k均为预设值;第三等级至最终等级的卷积层公式为m*n‑k conv;

所述的第一阶段的第一卷积层的输入响应为原始图像,第一阶段的其他卷积层的输入响应为该阶段上一卷积层的输出响应;

第二阶段至最后的阶段中,除了该阶段中的第一卷积层的输入响应之外,该阶段中的其他卷积层的输入响应为上一卷积层的输出响应;

除最后一个阶段外的每个阶段中最后一个卷积层的输出响应,一方面经过最大池化后作为下一个阶段的第一卷积层的输入响应;另一方面,作为输入响应分别输入到第二等级中对应的卷积层中,得到第二等级的各个卷积层的输出响应;最后一个阶段的最后一个卷积层的输出响应直接作为输入响应输入到第二等级中对应的卷积层中,得到第二等级中对应的卷积层的输出响应;

对于第二等级至倒数第二等级,将每个等级中的各个卷积层按照其输入响应的先后进行排序;依次对第二等级至倒数第二等级进行运算,在当前等级中,依次分别将除第一卷积层外的其他卷积层的输出响应经过反卷积处理后的结果与上一卷积层的输出响应相加,并将该相加结果作为输入响应,依次输入到下一等级的各个卷积层中,得到该下一等级各个卷积层的输出响应;最后经过最终等级的卷积层输出最终相应结果,即为深度神经网络的输出响应;

B、预设训练数据集,训练数据集包含训练图像及其对应的真实轮廓图,输入训练数据集中的训练图像及其真实轮廓图,预设图像批量大小,权重衰减参数,学习率,学习率衰减,最大迭代次数,优化方案和代价函数,以训练数据集中的训练图像作为输入,对应的真实轮廓图作为理想化输出,训练深度神经网络,确定使得深度神经网络输出响应最接近理想化输出的各个卷积核的参数,得到训练完毕的深度神经网络;

C、利用双线性插值算法对待检测图像进行处理,分别得到尺寸是待检测图像2倍的待检测放大图像、尺寸是待检测图像0.5倍的待检测缩小图像,将待检测图像、待检测放大图像、待检测缩小图像分别作为深度神经网络的输入,经过深度神经网络输出分别得到待检测图像轮廓响应图、待检测放大图像轮廓响应图、待检测缩小图像轮廓响应图,将各像素点在上述三个轮廓响应图中对应的特征值取平均值,作为该像素点最终轮廓响应特征值,从而得到各像素点最终轮廓响应特征值;

D、对各像素点的最终轮廓响应特征值使用非极大值抑制和二值化处理,得到各像素点的最终轮廓值,进而得到最终轮廓图。

2.如权利要求1所述的基于深度强化网络邻接连接的轮廓检测方法,其特征在于:所述的步骤B中的代价函数具体为:

其中i为训练时同一批次输入的图像编号,i=1,2,...,size;size为同一批次图像的数量;Xi为输入的第i幅图像;W为深度神经网络的模型参数;

其中P(Xi;W)=sigmoid(Xi),sigmoid为S型生长曲线函数。

3.如权利要求2所述的基于深度强化网络邻接连接的轮廓检测方法,其特征在于:所述的卷积均为带有偏置的卷积,偏置的个数与当前的卷积核的个数相对应;

卷积conv的公式如下:

outputj=inputj*kernelj+biasj  (3);

其中outputj为当前阶段卷积的第j个输出响应,inputj为当前阶段卷积的第j个输入响应,kernelj为第j个卷积核,*为卷积符号,j=1,2,...,k,k为当前阶段卷积核的个数。

4.如权利要求3所述的基于深度强化网络邻接连接的轮廓检测方法,其特征在于:所述的激活函数为:

relu(x)=max(0,x)  (4)。

5.如权利要求4所述的基于深度强化网络邻接连接的轮廓检测方法,其特征在于:所述的反卷积函数为:

其中outputj为当前阶段反卷积的第j个输出响应,inputj为当前阶段反卷积的第j个输入响应,为反卷积符号。

6.如权利要求5所述的基于深度强化网络邻接连接的轮廓检测方法,其特征在于:所述的阶段为5个,分别为阶段Ⅰ‑阶段Ⅴ,阶段Ⅰ‑阶段Ⅴ对应的卷积层个数分别为2个、

2个、3个、3个、3个;

阶段Ⅰ‑阶段Ⅴ对应的输出通道数分别为64个、128个、256个、512个、512个;

阶段Ⅰ‑阶段Ⅴ对应的卷积核大小为3*3像素平方;

所述的等级有6个,分别为等级Ⅰ‑等级Ⅵ;

等级Ⅱ‑等级Ⅵ对应的输出通道数分别为64个,32个,16个,16个,1个;

等级Ⅱ‑等级Ⅵ对应的卷积核大小为3*3像素平方。

7.如权利要求6所述的基于深度强化网络邻接连接的轮廓检测方法,其特征在于:所述的图像批量大小表示每一批次训练输入的图像数量,其范围为8‑32幅,权重衰减范围为(1e‑4)‑(2e‑4),学习率的范围为(1e‑5)‑(1e‑9),学习率衰减的范围为0‑0.1;最大迭代次数的范围为5000‑60000次,优化方案为动量为0.9的随机梯度下降法。

8.如权利要求7所述的基于深度强化网络邻接连接的轮廓检测方法,其特征在于:所述的最大池化为2*2最大池化。